4月8日零时
尘封已久的武汉
将正式开启离汉通道
我们采访了6位留在武汉的普通人
听听他们的复工故事
“我叫马定,今年30岁,从小在武汉长大,现在经营着一家餐馆”
春节期间,餐厅停业,马定加入志愿者车队
帮助武汉的医护人员解决出行困难
随着疫情逐渐好转,马路上的人和车多了起来
马定把员工们都召集起来,开始准备复工的资料
他说,“希望全世界都来武汉享受美食”
“我叫陈明,从事保安工作,今年40岁”
每天,陈明都要帮居民出行量体温,扫绿码
给进出的车辆消毒,确保居民出入健康
最近,大家都能自己出来拿外卖、收快递
外面的车子也多了
人来人往,陈明觉得,生活也慢慢回归正轨了
她说,“我小孩今年高三,我希望他的高考能顺利
也祝愿所有高三学生都能
顺顺利利考上理想的大学”
“我叫方虹,孝感人,来武汉五年了”
对于方虹来说,每天要接触很多的社区居民
一点都不怕是假的
但她想到的更多是怎么安抚好大家
现在,出了社区门口
看到公交车要通车了,商铺也要复工了
这是她近期最高兴的事,一切慢慢好起来
她说,“想回家看看孩子和老人
再带他们来武汉登一次黄鹤楼”
“大家好,本人姓高,名高新易,湖北钟祥人,在武汉有22年,今年开了便利店”
作为老百姓,不能抬高价格
不能发国难财,这是高新易给自己定的规矩
疫情期间,看很多小区菜很紧张
高新易让孩子买了七千斤大白菜
给小区免费送过去
这是他的“心意”
现在疫情慢慢好了,交通恢复了以后
物资、进货都方便一点
顾客购物也选择多一点
他说,“希望疫情过后实体店经济得到回升
大家都好,生活节节高”
“我叫王匆,今年35岁,是汉阳人,在汉阳生活了35年,是加油站的站长”
武汉封城以后,路上的车子少了很多
但作为城市交通的保障
王匆和他的员工们仍然坚持上下班
他们还联系了志愿者
为志愿车队提供加油保障
复工之后,路上车子一天比一天多
地铁公交也逐步的运营起来了
王匆和员工们上下班更方便了
他说,“希望大家有机会来武汉走走
看看长江大桥,户部巷,大江大河大武汉”
“我叫李质,兰州人,机缘巧合下成为了一名快递员”
疫情期间,李质在武汉送过快递
送过外卖,也当过志愿者
最忙的时候,白天送快递,晚上送外卖
有一回深夜去医院,给孩子送奶粉
孩子妈妈送了他一个苹果,一直没舍得吃
现在,随着城市逐渐复工
取快递的人多了起来
虽然忙,但没有以前那么紧张了
李质也有空想一想自己曾经的梦想
他说,“疫情过后,我想做一做自己喜欢的事
和朋友一起,推广摩托车文化”
懂你对生活的热爱
更懂让希望永不停止
华为中国生态之行2020·武汉峰会
4月20日
我们和你一起
怀揣希望
#追回失去的时间
活动预告
2020年,华为中国生态大会进入第十年。伫立十年关口,本次大会将为您呈现全新的生态篇章。因聚而生 举势而为 ——华为中国生态大会2020,“华为搭台、伙伴唱戏”的 “众筹办会”模式闪亮登场,诚挚邀请您共同参与,把数字世界带入每个人、每个家庭、每个组织,构建万物互联的智能世界。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。